本文主要研究内容
作者杨珺,佘佳丽,刘艳珍（2019）在《基于深度置信网络的时间序列预测》一文中研究指出：针对传统计算机神经网络存在梯度弥散、局部最小值、非线性时间序列长期预测性能不佳和高维序列数据复杂度高等问题,提出时序深度置信网络模型(timing deep belief network model,T-DBN).该模型预训练阶段采用改进的贪婪预训练算法,在预训练过程中使用梯度修正并行回火(gradient fixing parallel tempering,GFPT)算法,采用重构误差确定网络深度,在反向调整阶段采用拟牛顿法(BFGS算法),以获得更加准确的预测精度.结合相空间重构理论和BP (back propagation)神经网络,对中国江西省2016—2020年农业机械总动力进行了预测.针对高非线性的股票数据,提取同花顺软件1990-12-20—2018-03-30时间段内的上证指数特征信息,分别采用T-DBN、DBN和长短期记忆(long short-term memory,LSTM)模型进行股票预测,预测准确率分别为79. 3%、77. 9%和74. 6%,T-DBN模型的预测准确率高于DBN和LSTM模型.
Abstract
zhen dui chuan tong ji suan ji shen jing wang lao cun zai ti du mi san 、ju bu zui xiao zhi 、fei xian xing shi jian xu lie chang ji yu ce xing neng bu jia he gao wei xu lie shu ju fu za du gao deng wen ti ,di chu shi xu shen du zhi xin wang lao mo xing (timing deep belief network model,T-DBN).gai mo xing yu xun lian jie duan cai yong gai jin de tan lan yu xun lian suan fa ,zai yu xun lian guo cheng zhong shi yong ti du xiu zheng bing hang hui huo (gradient fixing parallel tempering,GFPT)suan fa ,cai yong chong gou wu cha que ding wang lao shen du ,zai fan xiang diao zheng jie duan cai yong ni niu du fa (BFGSsuan fa ),yi huo de geng jia zhun que de yu ce jing du .jie ge xiang kong jian chong gou li lun he BP (back propagation)shen jing wang lao ,dui zhong guo jiang xi sheng 2016—2020nian nong ye ji xie zong dong li jin hang le yu ce .zhen dui gao fei xian xing de gu piao shu ju ,di qu tong hua shun ruan jian 1990-12-20—2018-03-30shi jian duan nei de shang zheng zhi shu te zheng xin xi ,fen bie cai yong T-DBN、DBNhe chang duan ji ji yi (long short-term memory,LSTM)mo xing jin hang gu piao yu ce ,yu ce zhun que lv fen bie wei 79. 3%、77. 9%he 74. 6%,T-DBNmo xing de yu ce zhun que lv gao yu DBNhe LSTMmo xing .
论文参考文献
论文详细介绍
论文作者分别是来自深圳大学学报(理工版)的杨珺,佘佳丽,刘艳珍，发表于刊物深圳大学学报(理工版)2019年06期论文，是一篇关于计算机神经网络论文,时间序列预测论文,深度神经网络论文,深度置信网络论文,农机总动力论文,预测模型论文,股票预测论文,深圳大学学报(理工版)2019年06期论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自深圳大学学报(理工版)2019年06期论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：计算机神经网络论文; 时间序列预测论文; 深度神经网络论文; 深度置信网络论文; 农机总动力论文; 预测模型论文; 股票预测论文; 深圳大学学报(理工版)2019年06期论文;